source("../../lib/som-utils.R")
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
source("../../lib/maps-utils.R")
Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
mpr.set_base_path_analysis()
model <- mpr.load_model("som-311.rds.xz")
summary(model)
SOM of size 50x50 with a hexagonal topology and a bubble neighbourhood function.
The number of data layers is 1.
Distance measure(s) used: sumofsquares.
Training data included: 94881 objects.
Mean distance to the closest unit in the map: 0.019.
plot(model, type="changes")
df <- mpr.load_data("datos_mes.csv.xz")
df
summary(df)
id_estacion fecha fecha_cnt tmax
Length:94881 Length:94881 Min. : 1.000 Min. :-53.0
Class :character Class :character 1st Qu.: 4.000 1st Qu.:148.0
Mode :character Mode :character Median : 6.000 Median :198.0
Mean : 6.497 Mean :200.2
3rd Qu.: 9.000 3rd Qu.:255.0
Max. :12.000 Max. :403.0
tmin precip nevada prof_nieve
Min. :-121.00 Min. : 0.00 Min. :0.000000 Min. : 0.000
1st Qu.: 53.00 1st Qu.: 3.00 1st Qu.:0.000000 1st Qu.: 0.000
Median : 98.00 Median : 10.00 Median :0.000000 Median : 0.000
Mean : 98.86 Mean : 16.25 Mean :0.000295 Mean : 0.467
3rd Qu.: 148.00 3rd Qu.: 22.00 3rd Qu.:0.000000 3rd Qu.: 0.000
Max. : 254.00 Max. :422.00 Max. :6.000000 Max. :1834.000
longitud latitud altitud
Min. :27.82 Min. :-17.8889 Min. : 1.0
1st Qu.:38.28 1st Qu.: -5.6417 1st Qu.: 42.0
Median :40.82 Median : -3.4500 Median : 247.0
Mean :39.66 Mean : -3.4350 Mean : 418.5
3rd Qu.:42.08 3rd Qu.: 0.4914 3rd Qu.: 656.0
Max. :43.57 Max. : 4.2156 Max. :2535.0
world <- ne_countries(scale = "medium", returnclass = "sf")
spain <- subset(world, admin == "Spain")
plot(model, type="count", shape = "straight", palette.name = mpr.degrade.bleu)
Número de elementos en cada celda:
nb <- table(model$unit.classif)
print(nb)
1 2 3 5 7 8 9 11 12 14 15 16 17 19 20 21
84 83 78 77 40 51 43 112 74 21 19 38 21 56 53 37
22 23 24 25 27 28 30 31 33 34 35 36 37 39 40 41
8 19 36 24 54 86 16 47 58 71 51 28 21 40 49 31
42 43 44 45 46 47 48 49 50 51 52 53 54 57 58 59
31 61 52 34 40 71 51 54 100 99 65 106 96 47 37 67
61 63 64 65 66 67 68 69 70 71 72 73 74 75 76 78
81 47 24 23 34 30 27 30 16 52 44 27 40 29 41 51
79 81 82 83 84 85 86 87 88 90 91 92 94 95 96 97
71 47 100 79 76 41 63 81 46 43 56 27 40 49 44 17
98 99 100 101 102 103 105 106 107 108 109 112 113 114 115 116
53 40 77 127 69 93 40 41 25 60 54 24 19 23 29 23
117 118 120 121 122 123 124 125 127 128 129 131 132 133 134 135
40 18 58 57 71 28 31 41 25 69 62 70 109 64 30 96
136 137 138 139 140 141 142 143 144 145 146 147 149 150 151 152
85 76 2 56 51 74 43 55 50 31 43 30 88 33 101 128
155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170
44 26 50 63 24 28 27 18 25 29 47 38 34 10 32 5
171 172 173 174 175 176 178 179 181 182 183 184 185 187 188 190
42 47 26 47 27 38 61 73 100 74 61 55 40 61 30 64
191 192 193 194 195 196 197 198 199 200 201 203 204 205 206 207
71 58 63 83 68 58 47 24 63 72 69 75 63 29 49 27
208 209 210 211 212 213 214 215 216 217 218 220 221 222 223 224
17 17 23 20 15 17 35 37 18 21 58 31 19 42 44 47
225 226 228 229 231 232 233 234 235 236 237 239 240 241 242 243
25 55 56 64 77 40 60 76 35 66 59 39 26 63 51 44
244 245 246 247 249 250 253 254 255 256 257 258 259 260 261 262
74 56 49 72 65 84 71 47 73 55 21 26 18 12 15 21
263 264 265 266 267 268 270 271 273 274 275 276 277 279 280 282
32 27 34 31 26 39 57 50 55 60 35 35 39 74 76 73
283 284 285 286 287 289 290 291 292 293 294 295 296 297 298 299
35 71 59 34 61 32 54 46 47 42 63 49 66 62 51 29
300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315
59 59 59 97 97 28 22 32 24 19 21 26 48 50 27 20
317 318 320 321 322 323 324 325 326 327 329 331 332 333 334 335
40 27 57 51 31 48 73 36 23 15 97 59 28 33 61 48
336 337 339 340 341 342 343 344 345 346 347 348 349 350 351 354
67 21 30 57 71 65 63 57 66 39 58 38 5 69 41 10
355 356 357 358 359 360 361 362 363 365 366 367 368 369 370 371
34 39 33 28 27 26 53 41 26 43 72 30 36 39 37 37
373 374 375 376 377 378 380 382 383 384 385 386 387 389 390 391
43 64 54 15 27 35 32 66 72 76 51 55 63 37 47 62
392 393 394 395 396 397 398 399 400 402 404 405 406 407 408 409
26 66 48 51 40 63 52 37 57 36 23 34 25 31 26 29
410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 426
61 34 4 56 20 28 32 26 42 37 54 30 19 21 32 40
427 428 431 432 433 434 436 437 439 440 441 442 443 444 445 446
46 58 83 76 60 51 54 24 74 36 56 57 18 50 53 48
447 448 450 451 452 454 455 456 457 458 459 460 461 462 463 464
53 44 46 117 82 27 18 17 36 47 46 34 28 38 32 32
465 466 467 468 469 470 471 472 474 476 478 479 481 482 483 484
45 53 28 24 14 33 21 35 26 52 21 30 69 63 62 53
485 486 487 489 490 491 492 493 494 495 496 497 498 499 500 501
47 57 46 16 57 66 40 31 15 32 31 21 20 17 34 106
503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518
25 39 39 25 60 29 26 36 57 38 20 39 24 36 31 21
519 520 521 522 523 525 526 527 529 531 532 533 534 535 536 538
31 29 17 42 44 58 56 27 40 27 56 79 53 65 72 57
539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554
52 52 35 19 51 49 34 33 30 47 50 48 97 97 21 26
555 556 557 559 560 561 562 563 564 565 566 567 568 569 570 571
41 41 41 52 55 62 45 26 28 45 42 42 57 66 58 41
572 573 574 576 578 579 580 582 583 584 585 586 588 589 590 591
17 29 28 51 48 54 39 51 49 39 55 49 35 44 49 45
592 593 594 595 596 597 598 599 600 602 603 605 606 608 609 610
25 31 32 44 41 39 45 36 40 40 24 25 26 25 46 23
611 612 613 614 615 616 617 618 619 620 621 622 623 624 626 628
32 41 43 35 41 8 16 61 21 23 17 41 43 21 52 54
629 630 632 633 634 635 637 638 639 640 641 642 643 644 645 646
14 34 66 17 26 22 42 45 29 47 17 43 54 44 44 47
647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662
47 40 65 32 25 42 50 24 33 34 21 38 40 31 24 15
663 664 666 667 668 669 670 671 672 675 676 677 678 679 681 683
21 35 26 43 45 40 54 32 1 24 61 42 10 19 31 44
684 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701
7 28 47 47 43 13 29 31 59 68 24 37 51 66 63 22
702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717
23 46 45 31 23 27 41 26 45 51 42 53 40 29 27 47
718 719 720 721 722 723 724 728 729 730 731 734 735 736 737 738
41 42 53 37 46 35 33 35 51 41 33 24 31 32 33 47
739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754
36 32 12 29 45 61 53 44 40 53 71 28 34 36 63 35
755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770
33 39 35 43 34 40 37 40 41 33 37 43 62 30 45 49
771 772 773 774 775 776 777 778 779 781 782 783 784 785 786 787
21 42 32 32 1 37 57 54 64 26 53 55 46 31 46 32
788 789 790 791 792 793 794 795 796 797 798 799 800 802 803 804
40 20 24 42 51 22 40 62 38 54 41 57 71 46 51 42
805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820
27 74 43 29 25 19 64 20 22 16 36 49 57 61 72 43
821 822 823 824 825 826 827 828 829 832 833 837 838 839 840 842
21 30 15 24 21 65 50 34 63 39 34 41 33 55 58 48
843 844 845 846 847 848 849 850 851 853 854 855 857 858 859 860
42 41 73 40 63 59 50 52 46 54 27 34 24 41 43 26
861 862 863 864 865 866 867 868 869 870 871 872 873 874 876 877
45 42 40 44 40 37 39 46 38 32 28 29 24 39 49 63
878 879 881 884 885 886 887 888 889 890 891 892 893 894 895 896
49 29 14 21 57 27 20 58 47 27 62 39 57 25 32 37
897 898 899 900 901 902 906 907 908 909 910 911 912 914 915 916
49 41 87 42 18 1 52 22 60 34 30 20 43 24 31 27
917 918 919 920 921 922 923 924 926 927 928 929 930 931 932 933
35 47 43 36 40 47 47 52 58 52 30 10 34 28 66 61
934 935 936 937 938 939 940 941 944 945 946 947 948 949 950 951
8 33 58 68 13 30 39 56 32 18 53 64 103 94 35 35
952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967
34 51 40 27 11 32 24 24 37 35 37 29 32 22 33 45
968 969 970 971 972 973 974 975 977 978 980 981 982 983 984 985
43 44 35 39 47 62 53 21 45 49 40 22 27 47 61 52
986 987 988 989 990 991 992 993 994 996 997 998 999 1000 1001 1002
50 44 49 9 37 1 34 70 67 60 43 49 70 70 49 79
1003 1004 1005 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019
52 34 34 27 47 46 38 20 60 61 53 41 24 25 46 31
1020 1021 1023 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041
48 53 39 54 21 15 50 53 16 56 20 19 54 71 23 44
1043 1044 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059
44 43 33 16 42 61 56 44 52 51 70 74 34 19 8 20
1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075
57 19 25 49 28 68 28 26 36 48 60 76 13 1 1 63
1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092
50 53 68 10 18 31 38 40 27 34 40 15 50 54 47 47
1093 1094 1095 1097 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110
45 38 57 42 7 41 48 73 45 43 35 42 32 18 24 25
1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1125 1126 1128
44 45 42 31 25 50 28 38 40 19 22 46 39 33 22 38
1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1145 1146
44 29 31 17 44 29 38 35 19 73 72 49 31 30 13 4
1147 1148 1149 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163
15 47 25 29 53 64 55 55 66 41 34 68 70 1 29 35
1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1179 1180
36 30 18 35 26 45 45 32 38 39 40 7 34 33 38 54
1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196
22 29 22 20 22 25 42 42 21 72 46 64 35 17 28 50
1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212
60 21 63 56 42 44 53 31 61 61 34 51 66 63 37 14
1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1225 1226 1228 1230 1231
40 35 25 47 59 67 35 55 56 66 39 38 49 44 24 38
1232 1233 1234 1235 1236 1237 1238 1239 1240 1243 1244 1245 1246 1247 1248 1249
33 41 29 33 30 22 34 57 21 26 52 27 51 76 45 52
1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1264 1265 1266
44 41 63 54 32 29 49 22 30 53 48 41 45 49 14 41
1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282
62 49 29 49 39 43 39 20 59 57 4 58 33 70 17 34
1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298
18 43 21 23 47 19 37 39 17 19 45 61 43 48 43 65
1299 1300 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1314 1315 1316 1317
34 54 42 42 28 42 28 29 58 49 41 29 41 10 46 56
1318 1319 1320 1321 1323 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335
36 45 72 66 57 75 32 45 47 41 59 36 7 53 51 47
1336 1337 1338 1339 1340 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352
48 31 17 24 34 46 37 35 34 66 54 58 54 47 74 71
1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1365 1367 1368 1369 1370
60 40 20 34 35 23 22 53 64 53 43 64 25 25 53 6
1373 1375 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390
82 94 31 55 29 41 40 55 48 32 33 31 38 48 25 44
1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407
19 55 51 45 39 73 55 37 39 100 80 77 35 43 28 23
1408 1409 1410 1411 1412 1413 1415 1417 1418 1420 1421 1422 1423 1424 1425 1426
30 15 47 64 30 29 72 91 80 48 41 56 39 68 1 64
1427 1428 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1442 1443 1444
49 40 58 16 51 21 32 29 38 70 45 47 55 50 49 32
1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460
35 39 44 36 39 32 48 37 54 67 59 34 56 45 18 19
1461 1462 1463 1464 1466 1470 1471 1474 1475 1477 1478 1479 1480 1481 1482 1483
59 62 50 27 72 23 49 43 48 58 45 36 19 31 33 27
1484 1485 1486 1487 1488 1489 1490 1491 1493 1494 1495 1496 1497 1498 1499 1500
28 43 19 58 46 18 40 58 46 31 15 24 36 49 23 53
1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1516 1517 1518 1519
25 14 11 19 32 67 22 29 32 24 55 47 46 33 21 54
1521 1522 1523 1524 1525 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537
79 46 44 35 59 30 62 48 35 32 33 45 36 25 40 63
1538 1539 1540 1541 1542 1543 1545 1546 1547 1548 1549 1550 1551 1552 1553 1554
25 20 31 31 13 22 30 35 46 31 23 36 21 31 26 27
1555 1557 1558 1559 1560 1561 1562 1564 1565 1566 1568 1569 1571 1572 1573 1574
21 25 32 35 36 38 47 36 37 57 34 66 71 66 32 6
1575 1576 1577 1578 1580 1581 1582 1583 1584 1585 1586 1587 1588 1589 1590 1591
56 6 28 80 49 21 42 32 59 27 19 41 65 48 55 46
1592 1593 1594 1595 1596 1597 1598 1599 1600 1601 1602 1603 1604 1605 1606 1607
55 16 41 57 35 52 60 23 50 45 46 32 34 30 46 31
1608 1610 1611 1613 1614 1615 1616 1617 1618 1620 1621 1622 1623 1624 1625 1626
38 20 26 41 29 33 55 32 56 78 44 38 33 36 68 52
1627 1628 1629 1630 1631 1632 1633 1634 1635 1636 1637 1638 1639 1640 1641 1642
56 43 35 24 27 18 35 30 21 42 56 41 49 24 50 44
1643 1644 1645 1646 1647 1648 1649 1650 1651 1652 1653 1654 1655 1656 1657 1659
19 66 51 24 60 58 40 57 43 67 37 39 48 42 32 35
1660 1661 1663 1664 1665 1666 1668 1670 1671 1672 1673 1674 1675 1676 1677 1678
20 36 28 29 39 56 31 68 45 37 45 22 66 51 49 40
1679 1680 1681 1682 1683 1684 1685 1686 1687 1688 1689 1690 1691 1692 1693 1694
48 17 15 21 38 32 45 22 35 49 10 51 49 34 55 37
1695 1696 1697 1698 1699 1700 1701 1702 1703 1704 1705 1707 1708 1709 1710 1712
66 41 30 53 54 60 2 61 49 51 21 33 23 31 38 30
1713 1714 1715 1717 1719 1720 1721 1722 1723 1724 1725 1726 1727 1728 1729 1730
33 42 42 78 65 51 30 34 22 55 18 39 44 29 19 61
1731 1732 1733 1734 1735 1736 1737 1738 1739 1740 1741 1742 1743 1744 1745 1746
37 16 32 60 34 54 32 17 57 48 32 35 43 35 49 24
1747 1748 1749 1750 1751 1752 1753 1754 1755 1756 1757 1758 1759 1760 1762 1763
44 53 37 27 73 29 19 12 23 43 39 58 38 35 18 24
1764 1765 1766 1767 1768 1769 1770 1771 1772 1773 1774 1775 1776 1777 1779 1780
34 44 44 33 51 79 42 38 30 51 49 29 58 46 39 48
1781 1782 1783 1784 1785 1786 1787 1788 1789 1790 1791 1792 1793 1795 1796 1797
35 35 32 18 33 35 35 44 19 19 52 57 57 42 50 27
1798 1799 1800 1801 1802 1803 1804 1805 1807 1808 1809 1811 1812 1813 1814 1815
36 56 80 33 51 30 24 28 47 36 40 35 22 36 51 59
1817 1819 1820 1821 1822 1823 1824 1825 1826 1827 1828 1829 1830 1831 1832 1833
46 50 44 41 54 54 22 37 40 37 28 42 36 28 29 57
1834 1835 1836 1837 1838 1839 1840 1841 1842 1843 1844 1845 1846 1847 1848 1849
56 42 34 55 32 48 29 38 42 56 22 53 45 41 55 68
1850 1851 1852 1853 1854 1855 1857 1858 1859 1861 1862 1863 1864 1865 1867 1868
48 88 73 32 48 59 50 37 12 40 30 25 48 74 36 53
1869 1870 1871 1872 1874 1875 1876 1877 1878 1879 1880 1881 1882 1883 1884 1885
87 46 33 28 39 51 47 44 37 22 30 31 42 49 22 35
1886 1887 1888 1890 1891 1892 1893 1894 1895 1896 1897 1898 1899 1900 1901 1902
29 29 27 34 9 41 49 55 31 52 48 31 57 47 42 37
1903 1904 1905 1906 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919
49 3 42 34 17 28 48 33 50 46 60 93 51 68 50 66
1920 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935
42 33 43 78 39 43 43 34 35 38 47 34 19 31 48 32
1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1955
27 33 25 61 41 63 34 54 23 36 47 60 60 27 48 50
1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1967 1969 1970 1971 1972 1973
34 41 35 35 24 35 35 69 30 67 62 76 39 56 46 32
1974 1975 1976 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1990 1992
46 37 26 40 45 42 34 38 39 32 29 29 40 42 55 53
1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008
59 59 27 45 60 78 65 49 48 50 54 20 56 48 38 29
2009 2010 2011 2012 2013 2014 2015 2017 2019 2020 2022 2023 2024 2025 2026 2027
35 40 31 46 43 62 67 30 38 29 44 49 38 70 43 31
2028 2029 2030 2031 2032 2033 2034 2035 2036 2037 2038 2039 2040 2041 2042 2043
38 35 49 45 34 33 40 55 45 43 28 73 58 56 42 58
2044 2045 2046 2047 2048 2049 2050 2051 2052 2053 2054 2055 2056 2057 2058 2060
27 29 59 24 71 32 54 50 65 50 35 27 50 30 41 85
2061 2062 2063 2064 2065 2067 2068 2069 2071 2072 2073 2074 2075 2076 2077 2078
22 44 45 59 48 34 54 74 71 3 56 34 29 32 21 46
2079 2080 2081 2082 2083 2084 2085 2086 2087 2088 2089 2090 2092 2093 2094 2095
40 50 52 25 50 29 34 50 39 35 69 92 58 54 64 25
2096 2097 2098 2099 2100 2101 2102 2104 2105 2106 2107 2108 2109 2110 2111 2112
57 62 66 33 91 60 64 40 42 41 37 28 56 27 66 31
2113 2114 2116 2117 2119 2121 2122 2123 2124 2125 2126 2127 2128 2129 2130 2131
20 38 77 46 56 82 42 42 46 18 23 43 47 29 62 32
2132 2133 2134 2135 2136 2137 2139 2140 2141 2142 2143 2144 2145 2146 2147 2148
43 46 31 28 65 37 41 46 49 80 50 26 66 35 49 37
2149 2150 2151 2152 2154 2155 2156 2157 2158 2159 2160 2161 2162 2163 2164 2165
17 50 77 43 56 43 46 39 38 31 40 38 46 54 53 41
2166 2167 2168 2169 2170 2171 2172 2173 2174 2175 2176 2177 2178 2179 2180 2181
70 43 43 71 14 92 43 33 50 45 28 46 25 50 56 22
2182 2183 2184 2185 2186 2187 2188 2190 2191 2192 2193 2194 2195 2196 2197 2198
19 38 32 30 71 63 78 15 68 64 41 38 50 51 50 35
2199 2200 2201 2202 2203 2204 2205 2206 2207 2208 2209 2210 2211 2212 2213 2214
66 83 56 32 60 37 49 42 40 32 22 21 50 23 38 26
2216 2218 2219 2221 2222 2223 2224 2225 2226 2227 2228 2229 2230 2231 2232 2233
33 38 48 88 45 32 43 20 21 32 46 30 51 37 39 45
2234 2235 2236 2237 2238 2239 2240 2241 2242 2243 2244 2245 2246 2247 2248 2249
28 62 49 25 21 36 70 46 64 40 72 52 33 62 42 47
2250 2251 2252 2253 2254 2255 2256 2257 2258 2259 2260 2261 2262 2263 2264 2265
62 55 42 65 71 58 53 27 48 26 31 42 44 37 47 32
2266 2267 2268 2269 2270 2271 2272 2273 2274 2275 2276 2277 2278 2279 2280 2281
58 30 40 25 24 71 69 55 57 42 42 41 49 44 56 11
2282 2283 2284 2285 2286 2287 2288 2289 2290 2291 2292 2293 2294 2295 2296 2297
39 38 33 20 45 44 41 22 47 57 45 54 52 55 40 46
2298 2299 2300 2301 2302 2304 2305 2306 2307 2308 2309 2310 2311 2312 2313 2314
40 60 45 34 60 77 55 60 31 32 47 34 54 20 39 14
2315 2316 2317 2318 2319 2321 2322 2323 2324 2325 2327 2328 2329 2330 2331 2332
8 19 32 51 51 41 37 66 40 14 49 21 49 22 37 44
2333 2334 2335 2336 2337 2338 2339 2340 2341 2342 2343 2344 2345 2346 2347 2348
38 31 33 32 39 18 38 59 35 41 65 40 56 28 59 64
2349 2350 2351 2353 2354 2355 2356 2357 2358 2359 2360 2361 2362 2363 2364 2365
68 33 54 55 58 60 49 37 50 50 39 28 27 13 20 13
2366 2367 2368 2369 2371 2372 2373 2374 2375 2376 2377 2378 2379 2380 2381 2382
15 20 42 38 41 42 56 38 52 52 52 21 37 24 30 25
2383 2384 2385 2386 2387 2388 2389 2390 2391 2392 2393 2394 2395 2396 2397 2398
32 30 31 36 46 32 30 49 63 50 43 61 32 67 54 23
2399 2400 2401 2402 2403 2404 2405 2406 2407 2408 2409 2410 2411 2413 2414 2415
51 81 37 26 30 42 36 47 37 33 37 46 28 31 24 12
2416 2417 2418 2420 2421 2422 2423 2424 2425 2426 2427 2428 2429 2430 2431 2432
37 26 56 47 46 28 52 39 39 23 32 51 24 31 40 39
2433 2434 2435 2436 2437 2438 2439 2440 2441 2442 2443 2444 2445 2446 2447 2448
26 31 33 56 31 39 38 51 46 52 47 51 40 17 20 62
2449 2450 2451 2452 2453 2454 2455 2456 2457 2458 2459 2460 2461 2462 2463 2464
62 51 35 14 10 20 50 30 23 23 28 35 18 29 41 42
2465 2466 2467 2468 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481
35 16 33 33 68 71 40 20 50 29 11 16 41 43 35 21
2482 2483 2484 2485 2486 2487 2488 2489 2490 2491 2492 2493 2494 2495 2496 2497
34 22 8 22 33 44 20 32 38 44 36 37 40 28 22 36
2498 2499 2500
23 53 46
Comprobación de nodos vacíos:
dim_model <- 50*50;
len_nb = length(nb);
empty_nodes <- dim_model != len_nb;
if (empty_nodes) {
print(paste("[Warning] Existen nodos vacíos: ", len_nb, "/", dim_model))
}
[1] "[Warning] Existen nodos vacíos: 2259 / 2500"
plot(model, type="dist.neighbours", shape = "straight")
model_colnames = c("tmax", "tmin", "longitud", "latitud", "altitud")
model_ncol = length(model_colnames)
plot(model, shape = "straight")
par(mfrow=c(3,4))
for (j in 1:model_ncol) {
plot(model, type="property", property=getCodes(model,1)[,j],
palette.name=mpr.coolBlueHotRed,
main=model_colnames[j],
cex=0.5, shape = "straight")
}
if (!empty_nodes) {
cor <- apply(getCodes(model,1), 2, mpr.weighted.correlation, w=nb, som=model)
print(cor)
}
Representación de cada variable en un mapa de factores:
if (!empty_nodes) {
par(mfrow=c(1,1))
plot(cor[1,], cor[2,], xlim=c(-1,1), ylim=c(-1,1), type="n")
lines(c(-1,1),c(0,0))
lines(c(0,0),c(-1,1))
text(cor[1,], cor[2,], labels=model_colnames, cex=0.75)
symbols(0,0,circles=1,inches=F,add=T)
}
Importancia de cada variable - varianza ponderada por el tamaño de la celda:
if (!empty_nodes) {
sigma2 <- sqrt(apply(getCodes(model,1),2,function(x,effectif)
{m<-sum(effectif*(x-weighted.mean(x,effectif))^2)/(sum(effectif)-1)},
effectif=nb))
print(sort(sigma2,decreasing=T))
}
if (!empty_nodes) {
hac <- mpr.hac(model, nb)
}
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=3)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=3)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=4)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=4)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=5)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=5)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=6)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=6)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=8)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=8)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) {
plot(hac, hang=-1, labels=F)
rect.hclust(hac, k=10)
}
A qué clúster pertenece cada nodo del mapa de kohonen:
if (!empty_nodes) {
groups <- cutree(hac, k=10)
plot(model, type="mapping",
bgcol=c("steelblue1","sienna1","yellowgreen","red","blue","yellow","purple","green","white","#1f77b4", '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2')[groups],
shape = "straight", labels = "")
add.cluster.boundaries(model, clustering=groups)
}
if (!empty_nodes) {
# Asignamos a cada registro su clúster
df$cluster <- groups[model$unit.classif]
}
Nuevos dataframes por cluster
if (!empty_nodes) {
# Creo nuevos dataframes, uno por cada clúster.
df.cluster01 <- subset(df, cluster==1)
df.cluster02 <- subset(df, cluster==2)
df.cluster03 <- subset(df, cluster==3)
df.cluster04 <- subset(df, cluster==4)
df.cluster05 <- subset(df, cluster==5)
df.cluster06 <- subset(df, cluster==6)
df.cluster07 <- subset(df, cluster==7)
df.cluster08 <- subset(df, cluster==8)
df.cluster09 <- subset(df, cluster==9)
df.cluster10 <- subset(df, cluster==10)
# Extraigo del dataframe las features.
df.cluster01 <- select(df.cluster01, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster02 <- select(df.cluster02, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster03 <- select(df.cluster03, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster04 <- select(df.cluster04, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster05 <- select(df.cluster05, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster06 <- select(df.cluster06, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster07 <- select(df.cluster07, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster08 <- select(df.cluster08, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster09 <- select(df.cluster09, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
df.cluster10 <- select(df.cluster10, fecha_cnt, tmax, tmin, precip, nevada, prof_nieve, longitud, latitud, altitud)
}
if (!empty_nodes) summary(df.cluster01)
if (!empty_nodes) summary(df.cluster02)
if (!empty_nodes) summary(df.cluster03)
if (!empty_nodes) summary(df.cluster04)
if (!empty_nodes) summary(df.cluster05)
if (!empty_nodes) summary(df.cluster06)
if (!empty_nodes) summary(df.cluster07)
if (!empty_nodes) summary(df.cluster08)
if (!empty_nodes) summary(df.cluster09)
if (!empty_nodes) summary(df.cluster10)
if (!empty_nodes) {
df.clusters.dim <- c(dim(df.cluster01)[1], dim(df.cluster02)[1], dim(df.cluster03)[1], dim(df.cluster04)[1], dim(df.cluster05)[1], dim(df.cluster06)[1], dim(df.cluster07)[1], dim(df.cluster08)[1], dim(df.cluster09)[1], dim(df.cluster10)[1])
barplot(df.clusters.dim,
names.arg = c("cluster01", "cluster02", "cluster03", "cluster04", "cluster05", "cluster06", "cluster07", "cluster08", "cluster09", "cluster10"),
col = "steelblue1")
}
if (!empty_nodes) mpr.hist(df.cluster01)
if (!empty_nodes) mpr.hist(df.cluster02)
if (!empty_nodes) mpr.hist(df.cluster03)
if (!empty_nodes) mpr.hist(df.cluster04)
if (!empty_nodes) mpr.hist(df.cluster05)
if (!empty_nodes) mpr.hist(df.cluster06)
if (!empty_nodes) mpr.hist(df.cluster07)
if (!empty_nodes) mpr.hist(df.cluster08)
if (!empty_nodes) mpr.hist(df.cluster09)
if (!empty_nodes) mpr.hist(df.cluster10)
if (!empty_nodes) mpr.boxplot(df.cluster01)
if (!empty_nodes) mpr.boxplot(df.cluster02)
if (!empty_nodes) mpr.boxplot(df.cluster03)
if (!empty_nodes) mpr.boxplot(df.cluster04)
if (!empty_nodes) mpr.boxplot(df.cluster05)
if (!empty_nodes) mpr.boxplot(df.cluster06)
if (!empty_nodes) mpr.boxplot(df.cluster07)
if (!empty_nodes) mpr.boxplot(df.cluster08)
if (!empty_nodes) mpr.boxplot(df.cluster09)
if (!empty_nodes) mpr.boxplot(df.cluster10)
# Agrupa por longitud y latitud para rellenar el mapa con menos datos.
if (!empty_nodes) {
df.cluster01.grouped <- mpr.group_by_geo(df.cluster01)
df.cluster02.grouped <- mpr.group_by_geo(df.cluster02)
df.cluster03.grouped <- mpr.group_by_geo(df.cluster03)
df.cluster04.grouped <- mpr.group_by_geo(df.cluster04)
df.cluster05.grouped <- mpr.group_by_geo(df.cluster05)
df.cluster06.grouped <- mpr.group_by_geo(df.cluster06)
df.cluster07.grouped <- mpr.group_by_geo(df.cluster07)
df.cluster08.grouped <- mpr.group_by_geo(df.cluster08)
df.cluster09.grouped <- mpr.group_by_geo(df.cluster09)
df.cluster10.grouped <- mpr.group_by_geo(df.cluster10)
}
if (!empty_nodes) mpr.draw_map(spain, df.cluster01.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster02.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster03.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster04.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster05.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster06.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster07.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster08.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster09.grouped)
if (!empty_nodes) mpr.draw_map(spain, df.cluster10.grouped)